针对不确定导航系统的优化快速去敏立方卡尔曼滤波器

《Signal Processing》：Optimized fast desensitized cubature Kalman filter for uncertain navigation system

提出基于Tucker分解和图卷积网络（GCN）的射频指纹识别方法，解决非合作通信中数据稀缺导致的性能退化问题。该方法通过构建信号空间图邻接矩阵，实现低计算复杂度与参数化，在极小样本条件下保持高识别精度。实验表明其在DMR设备上优于基准方法。

　　

康婷|江媛|熊俊|赵磊|张浩天

电子与通信工程学院，中山大学，深圳，518107，中国

摘要

由于制造过程中的硬件缺陷，无线设备具有独特的射频指纹，这些指纹可用于设备认证和欺骗攻击检测。然而，在数据稀缺的非合作通信场景中，计算和存储资源受到严重限制，基于深度学习的射频指纹识别（RFFI）方法往往性能下降。为了解决上述问题，本文提出了一种针对非合作通信场景的新型RFFI方法，该方法在极小的训练样本量下实现了低计算复杂度和减少的参数化，同时保持了高识别精度。该方法采用Tucker分解在信号空间构建图邻接矩阵，然后通过专门的图卷积网络高效提取识别特征。在数字移动无线电上的实验结果表明，所提出的方法在所有比较方法中表现最佳，同时显著降低了计算复杂度和参数数量。

引言

随着第五代（5G）移动通信技术的出现，无线设备的数量急剧增加，带来了新的安全挑战。随着设备密度的不断提高，攻击面扩大，为对手提供了更多的潜在入口点。这一问题因许多低成本物联网设备的弱安全能力而变得更加严重。此外，5G网络的大规模和异构性使得认证和设备管理变得更加复杂，从而增加了整体安全风险。射频指纹识别（RFFI）是一种有前景的解决方案，可以被视为一种分类任务。传统的特征提取方法，如多层感知器（MLP）和线性贝叶斯分类器[1]、[2]、[3]，严重依赖于手动特征设计和专家知识，这限制了它们在复杂无线环境中的有效性。随着计算能力的提升，特别是图形处理单元（GPUs）的出现，深度学习（DL）[4]、[5]方法在RFFI[6]、[7]、[8]、[9]中得到了广泛应用。

DL方法擅长通过多层神经网络自动学习高维、复杂的射频信号特征。例如，已经提出了一种复值卷积神经网络（CVCNN）来提取区分性RFF特征[10]。他们认为使用复数卷积可以更好地捕获射频信号的特征。通过结合双注意力机制[11]，提出的ARFNet在USRP X310s上获得了出色的射频指纹识别性能。近年来，残差网络（ResNet）[12]和时延神经网络（TDNN）[13]、[14]也被应用于RFFI领域。尽管这些方法取得了不错的性能，但它们对训练数据规模的依赖性、较高的计算复杂度和较多的参数数量使其不适合非合作通信场景。

为更好地解决非合作通信场景中由于训练样本量极小而导致的RFFI问题，本文提出了一种基于Tucker分解和图卷积网络（GCN）[15]、[16]的有效RFFI方法。

我们工作的主要贡献包括：

1) 我们提出了一种基于Tucker分解的GCN RFFI技术，所提出的TD-GCN首次成功地将Tucker分解和GCN结合应用于RFFI领域，尤其是在样本量极小的情况下，显著提高了RFFI性能。

2) 我们创新地通过Tucker分解从射频信号构建图邻接矩阵。利用构建的图邻接矩阵，TD-GCN可以在减少模型参数数量的同时保持高识别精度，从而大大降低RFFI的时间和空间成本。

3) 我们部署了一种特殊的两层GCN结构，以高效提取高度可区分的RFF特征，这些特征由图归一化拉普拉斯矩阵、GCN和残差模块组成。

4) 我们在同类型的Kirisun DP485-01数字移动无线电（DMR）上评估了所提出的TD-GCN，获得了更好的识别性能。

本文的后续部分组织如下：第2节简要介绍了TD-GCN。然后，第3节描述了瞬态信号提取和规范化的基本原理。接下来，第4节介绍了Tucker分解和GCN的原理，并详细分析了TD-GCN特征提取器的组成部分。此外，本节还介绍了训练过程和超参数的选择。之后，第5节详细描述了在极小样本条件下将TD-GCN方案与基准方案进行比较的实验设置，并分析了TD-GCN方案在各个方面的优缺点。特别是，基准方案和所提出的TD-GCN的复杂性推导在附录A-E中有详细描述。最后，第6节总结了本文。

节选内容

TD-GCN框架

所提出的方法可以分为信号数据集获取模块、瞬态信号提取和规范化模块、预处理模块、GCN分类模块和结果估计模块，如图1所示。首先，信号数据集获取模块收集信号，包括稳态信号和瞬态信号。瞬态信号提取和规范化模块包括估计无线设备的瞬态起始点并进行规范化

开机瞬态信号提取

如图2所示，标记为红色的部分大致是瞬态信号段，随后的部分是稳态信号段。具体来说，瞬态信号是指发射机开启或关闭时以及工作状态切换时发出的信号。例如，当发射机开启且射频信号从零强度过渡到稳定强度时的信号段被视为瞬态信号段。同时，稳态

TD-GCN特征提取器

在本节中，我们创新性地提出将Tucker分解和GCN结合起来，可以高效提取区分性RFF特征。此外，还介绍了Tucker分解的原理、Tucker分解的计算方法以及图卷积网络。然后，详细介绍了TD-GCN特征提取器。最后，介绍了训练过程和超参数的选择。

实验

首先介绍了实验设置的详细信息。然后，分析了所提出的TD-GCN的特征提取效果，以验证该设计的优越性。接下来，对所提出的TD-GCN和基准方案进行了详尽的实验，以证明其卓越的可靠性和安全性。此外，还分析了所提出的TD-GCN的计算复杂性，并与其进行了比较

结论

为了解决极小样本条件下的RFFI问题，本文提出了一种结合Tucker分解和GCN的TD-GCN。在该设计中，提取并处理了高度区分性的RFF特征，可用于完成RFFI。然后，通过增加类别数量进一步验证了所提出TD-GCN的优越性。最后，根据附录A-E中的额外计算复杂性分析，可以得出结论

CRediT作者贡献声明

康婷：撰写——原始草案、验证、软件、方法论、数据管理、概念化。江媛：撰写——审阅与编辑、监督、资金获取、数据管理。熊俊：撰写——审阅与编辑。赵磊：撰写——审阅与编辑、资源协调。张浩天：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。